迭代学习控制理论是控制理论的一个重要分支,其主要适用于重复运动、难以精确建模的被控系统。迭代学习控制利用实际输出信号和理想输出信号的误差信号对控制信息进行修正,逐步改善跟踪性能,直到获得满意信号为止。广义系统是一类比正常系统更一般化的系统,关于广义系统的迭代学习控制的研究相对较少。因此,本文研究广义系统的迭代学习控制算法及其应用有一定的意义。本文主要做了如下几个方面研究工作:1.针对离散广义系统迭代学习控制的初值问题,考虑两种不同的初值情形。首先研究系统在初态学习下算法的收敛性问题。接着针对离散广义系统的受限等价形式,讨论初态有界扰动下算法的收敛性问题。最后通过数值仿真验证两种不同的初值情形下算法的有效性。2.研究了广义系统的固定初值问题,考虑两种不同形式的迭代学习控制算法。首先采用一种闭环D型算法,证明在满足收敛条件下,迭代输出信号与期望信号有一个固定偏差。接着针对D型算法带来的偏差问题,给出一种误差修正策略(闭环PD型算法)。最后通过仿真结果验证误差修正策略的有效性。3.针对迭代学习控制中收敛速度以及算法对系统性能影响这两个问题,研究广义系统在初态学习下三种算法。首先研究PD型算法的收敛性问题,仿真结果说明算法中P型部分影响系统性能。接着设计带指数变增益的D型算法,仿真结果说明该算法可以加快收敛速度。然后考虑一种带指数变增益的PD型算法,该算法既可以加快算法收敛速度,又可以改善系统性能。最后通过仿真例子验证设计算法的有效性。4.研究迭代学习控制在广义系统中的应用问题。首先建立一个实际的广义系统数学模型,指出跟踪系统期望电压信号的重要性。接着考虑实际系统中电压信号的初值与期望初值不等这种情形,针对两种不同的初值情形设计不同的迭代学习控制器。最后通过对系统进行仿真说明控制器设计的有效性。